論文の概要: SCOUT: Fast Spectral CT Imaging in Ultra LOw-data Regimes via PseUdo-label GeneraTion

• arxiv url: http://arxiv.org/abs/2603.00687v1
• Date: Sat, 28 Feb 2026 14:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.323097
• Title: SCOUT: Fast Spectral CT Imaging in Ultra LOw-data Regimes via PseUdo-label GeneraTion
• Title（参考訳）: SCOUT:PseUdo-label GeneraTionを用いた超低値レジームにおける高速分光CTイメージング
• Authors: Guoquan Wei, Liu Shi, Shaoyu Wang, Mohan Li, Cunfeng Wei, Qiegen Liu,
• Abstract要約: CT(Computed tomography)スキャンにおけるノイズとアーティファクトは、疾患の診断に影響を及ぼす根本的な課題である。 本研究は, 外部データを必要としない極低生データ条件下での復元手法を提案する。 実験により、この方法は検出器によって誘導されるリングアーティファクトを緩和するだけでなく、詳細回復において前例のない能力を示すことが示された。
• 参考スコア（独自算出の注目度）: 14.819061196799852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noise and artifacts during computed tomography (CT) scans are a fundamental challenge affecting disease diagnosis. However, current methods either involve excessively long reconstruction times or rely on data-driven models for optimization, failing to adequately consider the valuable information inherent in the data itself, especially medical 3D data. This work proposes a reconstruction method under ultra-low raw data conditions, requiring no external data and avoiding lengthy pre-training processes. By leveraging spatial nonlocal similarity and the conjugate properties of the projection domain to generate pseudo-3D data for self-supervised training, high-fidelity results can be achieved in a very short time. Extensive experiments demonstrate that this method not only mitigates detector-induced ring artifacts but also exhibits unprecedented capabilities in detail recovery. This method provides a new paradigm for research using unlabeled raw projection data. Code is available at https://github.com/yqx7150/SCOUT.
• Abstract（参考訳）: CT(Computed tomography)スキャンにおけるノイズとアーティファクトは、疾患の診断に影響を及ぼす根本的な課題である。 しかし、現在の手法では、過度に長い復元時間を要するか、最適化のためにデータ駆動モデルに依存するかのいずれかであり、データ自体、特に医療用3Dデータに固有の貴重な情報を適切に考慮することができない。 本研究は, 外部データを必要としない極低生データ条件下での復元手法を提案する。 空間的非局所的類似性と射影領域の共役性を利用して、自己教師付きトレーニングのための擬似3Dデータを生成することにより、非常に短時間で高忠実性が得られる。 大規模な実験により、この方法は検出器によって誘導されるリングアーティファクトを緩和するだけでなく、詳細回復において前例のない能力を示すことが示された。 本手法は,未ラベルの原射影データを用いた研究のための新しいパラダイムを提供する。 コードはhttps://github.com/yqx7150/SCOUT.comから入手できる。

関連論文リスト

• Under-Sampled High-Dimensional Data Recovery via Symbiotic Multi-Prior Tensor Reconstruction [10.666965599523754]
  本研究は,データ固有の構造を利用するために,複数の先行情報を統合したテンソル再構成手法を提案する。 具体的には、再構成されたデータの低ランクな制約を強制するために学習可能な分解と、平滑化と復調のための事前訓練された畳み込みニューラルネットワークと、ブロックマッチングと3Dフィルタリング正規化を組み合わせる。 カラー画像、ハイパースペクトル画像、グレースケールビデオデータセットの実験は、極端な場合において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-08T12:55:18Z)
• FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
  フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。 スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。 本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation [9.812476193015488]
  本稿では,3次元合成環境とCycleGANドメイン転送を用いたシミュレーションデータ生成手法を提案する。 本研究では,DenseDepth構造に基づく深度推定モデルを実データと模擬データの異なるトレーニングセットを用いて学習することにより,このデータ生成手法を,人気のNYUDepth V2データセットと比較する。 本稿では,Huskyロボットによる新たに収集した画像とLiDAR深度データを用いたモデルの性能評価を行い,GAN変換データを実世界のデータ,特に深度推定の有効な代替手段として有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-02T09:21:10Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection [7.906608953906889]
  異常検出は機械学習において難しい問題である。 放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効なソリューションである。 本稿では,RBFDDネットワークを改良して深層一級分類器に変換する手法について検討する。
  論文  参考訳（メタデータ） (2021-01-29T15:15:17Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。